[论文解读] Simultaneous Localization and Mapping with Dynamic Rigid Objects

Mina Henein, Gerard A. Kennedy+2 more|arXiv (Cornell University)|May 10, 2018

Robotics and Sensor-Based Localization参考文献 25被引用 7

一句话总结

该论文提出了一种新颖的SLAM框架，将动态刚性物体运动整合到估计过程中，而无需显式获取物体位姿或三维几何信息。通过采用恒定运动假设建模物体运动，并引入一种新的位姿变化表示方法，该方法提升了定位与地图构建的准确性，在vKITTI数据集上相比不考虑动态物体建模的基线SLAM方法，轨迹误差最高降低了71.4%。

ABSTRACT

Accurate estimation of the environment structure simultaneously with the robot pose is a key capability of autonomous robotic vehicles. Classical simultaneous localization and mapping (SLAM) algorithms rely on the static world assumption to formulate the estimation problem, however, the real world has a significant amount of dynamics that can be exploited for a more accurate localization and versatile representation of the environment. In this paper we propose a technique to integrate the motion of dynamic objects into the SLAM estimation problem, without the necessity of estimating the pose or the geometry of the objects. To this end, we introduce a novel representation of the pose change of rigid bodies in motion and show the benefits of integrating such information when performing SLAM in dynamic environments. Our experiments show consistent improvement in robot localization and mapping accuracy when using a simple constant motion assumption, even for objects whose motion slightly violates this assumption.

研究动机与目标

• 解决经典SLAM在动态环境中因移动物体违反静态世界假设而带来的局限性。
• 开发一种方法，利用动态刚性物体的运动信息，而无需估计其完整位姿或几何结构。
• 通过将物体运动约束整合到优化框架中，提升SLAM的准确性和一致性。
• 评估在真实世界和合成场景中，对动态物体采用恒定运动假设的有效性。
• 通过合理的状态降维方法，实现在大规模动态环境中可扩展的SLAM，并为未来与深度学习在分割和数据关联方面的集成奠定基础。

提出的方法

• 提出一种新颖的位姿变化表示方法，用于建模运动中刚性物体的运动，使其能够集成到SLAM优化框架中。
• 采用三元因子公式将机器人位姿、静态路标点与动态物体运动关联起来，使运动约束可嵌入优化过程。
• 对动态物体采用恒定运动假设，将其变换视为时间不变，以简化估计过程。
• 通过因子图中的约束边集成物体运动信息，其中运动被视作具有指定噪声水平的先验信息。
• 依赖前端模块实现对图像序列中动态物体的特征点检测、分割与关联，而无需完整的3D重建。
• 采用因子图优化框架，将来自动态物体的运动约束作为额外因子加入，以提升整体SLAM解算效果。

实验结果

研究问题

• RQ1 在不依赖完整3D物体模型或位姿估计的前提下，整合动态刚性物体的运动信息是否能提升SLAM的准确性？
• RQ2 在真实世界和合成的动态环境中，恒定运动假设对建模动态物体的效率如何？
• RQ3 运动先验中噪声水平对SLAM解算的鲁棒性与准确性有何影响？
• RQ4 引入物体运动约束如何影响SLAM优化的一致性与收敛性？
• RQ5 能否通过状态降维技术将该方法扩展至包含大量移动物体的大规模环境中？

主要发现

• 在真实世界数据集上，使用动态物体运动（DOM）信息后，该方法将绝对轨迹误差（ATE）降低了11%，绝对朝向误差（ARE）降低了1%。
• 在vKITTI数据集上，该方法在引入DOM信息后，绝对轨迹误差（RTE）降低了71.4%，绝对朝向误差（RRE）降低了63.8%。
• 在真实数据集上，该方法将绝对结构误差（ASE）降低了19%，所有RSE（allRSE）降低了16%，表明3D结构估计的准确性得到显著提升。
• 分配给运动边的噪声水平对解算结果有显著影响；低噪声可能导致对运动假设的过度自信，而高噪声则会削弱所添加运动信息的增益。
• 通过三元因子与恒定运动建模相结合，动态物体运动的集成在真实与合成实验中所有误差指标上均实现了稳定提升。
• 即使恒定运动假设存在轻微违反，该框架仍表现出鲁棒性，表明其在真实世界动态场景中的实际可行性。